Un nuovo modello di deep learning sviluppato dai ricercatori dell'Università della Finlandia orientale può identificare le fasi del sonno con la stessa precisione di un medico esperto. Questo apre nuove strade per la diagnosi e il trattamento dei disturbi del sonno, compresa l'apnea ostruttiva del sonno.

L'apnea ostruttiva del sonno (OSA) è un disturbo respiratorio notturno che causa un grave onere sui sistemi sanitari pubblici e sulle economie nazionali. Si stima che fino a un miliardo di persone nel mondo soffrano di apnea ostruttiva del sonno, e si prevede che il numero cresca a causa dell'invecchiamento della popolazione e dell'aumento della prevalenza dell'obesità. Quando non trattata, L'OSA aumenta il rischio di malattie cardiovascolari e diabete, tra le altre gravi conseguenze per la salute.

L'identificazione delle fasi del sonno è essenziale nella diagnostica dei disturbi del sonno, compresa l'apnea ostruttiva del sonno. Tradizionalmente, il sonno è classificato manualmente in cinque fasi, che sono svegli, sonno REM (movimento rapido degli occhi) e tre fasi del sonno non-REM. Però, il punteggio manuale delle fasi del sonno richiede molto tempo, soggettivo e costoso.

Per superare queste sfide, i ricercatori dell'Università della Finlandia orientale hanno utilizzato i dati di registrazione polisonnografica di individui sani e individui con sospetta OSA per sviluppare un accurato modello di apprendimento profondo per la classificazione automatica delle fasi del sonno. Inoltre, volevano scoprire come la gravità dell'OSA influisce sull'accuratezza della classificazione.

Negli individui sani, il modello è stato in grado di identificare le fasi del sonno con una precisione dell'83,7% quando si utilizza un singolo canale di elettroencefalografia frontale (EEG), e con un'accuratezza dell'83,9% quando integrato con elettrooculogramma (EOG). Nei pazienti con sospetta OSA, il modello ha raggiunto precisioni dell'82,9% (canale EEG singolo) e dell'83,8% (canali EEG e EOG). L'accuratezza del singolo canale variava dall'84,5% per gli individui senza OSA al 76,5% per i pazienti con OSA grave. Le precisioni ottenute dal modello sono equivalenti alla corrispondenza tra medici esperti che eseguono il punteggio del sonno manuale. Però, il modello ha il vantaggio di essere sistematico e seguire sempre lo stesso protocollo, e conducendo il punteggio in una manciata di secondi.

Secondo i ricercatori, l'apprendimento profondo consente la stadiazione automatica del sonno per i pazienti sospetti di OSA con un'elevata precisione. Lo studio è stato pubblicato su IEEE Journal of Biomedical and Health Informatics .